现代控制工程-系统辨识.pptVIP

第 8 章 系统辨识 教材： 王万良，现代控制工程，高等教育出版社，2011 第8章 系统辨识 自动控制理论是基于被控对象的数学模型来分析和设计控制系统的。因此，建立系统的数学模型是现代控制理论研究的基本问题之一。“系统辨识”的任务是研究建立系统数学模型的方法。 本章简要介绍系统辨识的基本概念、最小二乘参数估计方法和系统结构辨识方法。 第8章 系统辨识 8.1 系统辨识的概念 8.2 线性静态模型的最小二乘参数估计 8.3 线性动态模型的最小二乘参数估计 8.4 最小二乘参数估计的递推算法 8.5 线性系统的结构辨识 8.6 闭环系统的可辨识性 8.7 MATLAB在系统辨识中的应用 8.1 系统辨识的概念 8.1.1 系统辨识的定义 建模的两大类方法：分析法和实验法。 分析法建模是应用各种科学定律，根据系统中各个变量之间的因果关系，推导系统的数学模型。 系统辨识是在输入和输出信息的基础上，从一类系统中确定一个与所观测系统等价的系统。 系统辨识定义包括三个要素：输入输出数据，模型类，等价准则。 系统辨识是按照一个等价准则，在模型类中选择一个与输入、输出数据拟合得最好的模型。 8.1 系统辨识的概念 8.2.1 参数估计问题 如果模型准确，测量数据也准确，则只要n组测量数据，构成下列线性方程组，解线性方程组就可唯一地确定系统参数 8.2.1 参数估计问题 如果模型不准确，测量数据也有误差，则m组观测数据和系统参数间的关系可表示为 8.2.2 最小二乘法的基本算法 8.2.2 最小二乘法的基本算法 8.2.2 最小二乘法的基本算法 8.2.2 最小二乘法的基本算法 8.2.2 最小二乘法的基本算法 8.2.3 最小二乘法的性质 8.2.3 最小二乘法的性质 8.2.3 最小二乘法的性质 8.2.4 应用举例 8.2.4 应用举例 设有一常输入x0=1，则 8.2.4 应用举例 8.2.4 应用举例 8.2.4 应用举例 8.3 线性动态模型的最小二乘参数估计 设系统由下列n阶差分方程描述： 8.3 线性动态模型的最小二乘参数估计 用矩阵形式表达为： 8.3 线性动态模型的最小二乘参数估计 由数学中的极值条件 8.4 最小二乘参数估计的递推算法 8.4.1 基本递推算法 8.4.1 基本递推算法 8.4.2 带遗忘因子的递推算法 带遗忘因子的递推最小二乘估计算法的基本思想：重视当前数据，将过去的数据逐渐“遗忘”掉。 8.4.2 带遗忘因子的递推算法 遗忘因子对参数估计结果很有影响: 遗忘因子越小表明遗忘得越快，越重视当前数据，越能反映当前系统的变化，这适合于参数变化速度相对于辨识速度较快的时变系统。 遗忘因子越大，表明重视了更多的历史数据，可以得到更多的系统信息，因此辨识的模型精度较高，适合于参数变化速度远低于辨识速度的慢时变系统。否则，由于没有充分利用老数据中所含的系统信息，辨识精度较低。 遗忘因子一般在0.95～0.995的范围内选取。当=1时，就表示没有“遗忘”，式(8.36)就成为式(8.35)。 8.5 线性系统的结构辨识 由观测数据根据某个准则辨识模型的阶次和滞后步数的过程称为“定阶”。 定阶一般是按“假设－检验”的步骤反复进行：由低阶向高阶逐次假定系统的阶次，分别估计模型的参数，然后对得到的模型进行检验，以满足要求的最低阶作为所确定的模型阶次。 低阶模型对系统描述粗糙，但分析设计容易，而高阶模型对系统描述精度高，但分析设计复杂，尤其不利于在线辨识与自适应控制。 8.5.1 模型阶次的确定 1．性能指标最小定阶 对于给定的阶次n，最小二乘法是使性能指标J取最小值条件下，得到的参数估计。 给定不同的阶次n，可以得到不同的参数估计和相应的性能指标最小值。 当模型阶次n小于系统实际阶次时，随着n的增加，性能指标最小值将明显下降；当模型阶次n大于系统实际阶次后，随着n的增加，性能指标最小值的下降并不显著。因此，可以取曲线下降开始变慢的值作为阶的估计。 一般用数理统计中的“F检验”确定曲线下降是否明显，从而确定模型的阶次。 8.5.1 模型阶次的确定 8.5.2 系统纯时滞的辨识 8.6 闭环系统的可辨识性 8.6 闭环系统的可辨识性 8.7 MATLAB在系统辨识中的应用 用th=arx(z,nn)命令实现一次完成最小二乘法 th表示用Theta模型格式表示的估计模型。 z=[y,u]为对象的输入输出数据矩阵，其中y为对象的输出数据向量，u为对象的输入数据向量。y、u均为列向量的形式。 nn=[na,nb,nk]为模型的阶次和纯时滞大小。对于多输入情况，nb、nk均为行向量的形式。 8.7 MATLAB在系统辨识中的应用 2. 用thm=rarx(z